3008 大 立 光 PTT的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和懶人包總整理

The Effect of Pd and Cu Co-catalysts on the Activity of TiO2 Photocatalyst

為了解決3008 大 立 光 PTT的問題，作者許育瑄 這樣論述：

這項研究的目的是研究鈀和銅助催化劑對二氧化鈦光催化活性的影響。通過初濕含浸法製備了摻雜金屬的二氧化鈦。據推測，添加金屬可以減少電子-空穴複合的可能性並提高活性。 X射線衍射、比表面積和孔隙率分析儀、透射電子顯微鏡和高分辨率透射電子顯微鏡用於表徵催化劑的粒徑、比表面積、孔體積、孔徑大小、形態和金屬分佈。結果表明，二氧化鈦的粒徑和形態沒有發生顯著變化且金屬均勻分散在二氧化鈦的表面上。亞甲基藍可以用於測試在紫外線照射下的光降解活性。通過UV /可見光/ NIR分光光度計測定水中亞甲基藍的濃度。結果表明，合適的金屬含量和鍛燒溫度可以有效地提高二氧化鈦的光降解效率。鈀和銅均在煅燒溫度為300℃及金屬含

量為0.5 wt.％具有最高的光分解活性。TiO2的活性隨反應溫度的升高而增加。在0-50°C下，Pd /TiO2表現出相同的趨勢。但是當溫度高達70°C時，TiO2¬的反應速率略為下降，而Pd/TiO2變得最差。與其他溫度相比，Cu/TiO2則在室溫下的活性更高。

運用機器學習預測台股股價走勢

為了解決3008 大 立 光 PTT的問題，作者陳同力 這樣論述：

機器學習為人工智慧的範疇，其應用層面不斷擴大，也包括了金融投資領域。運用機器學習預測股價，有效協助投資決策，為眾多研究努力的方向；但是金融資訊具有小樣本、高雜訊、及非穩態時間序列的特性，使得以往研究的預測準確率不易提高；雖然將預測期間縮短可以增加預測的準確率，但是過短期的預測同時也降低了實務上運用的可行性。本研究以台灣股市投資為例，結合領域知識，將金融資料做基本面、趨勢面、動能面、及籌碼面等多面向的特徵轉換，再運用不同的機器學習技術和模型來克服上述股價預測的困難。本研究結果顯示，我們利用長短期記憶模型(Long short-term memory, LSTM)加上整合學習(Ensemble

learning)，預測上市櫃14檔權值個股未來一個月股價漲跌的準確率為83.23%。若以台積電(2330.TT)為例，預測未來一至三個月的股價漲跌的準確率高達84.57%。我們進一步利用此模型預測結果做2016/1/4~2018/12/28三年期間的回溯測試，所獲得的模擬投資報酬率為341.66%，遠勝過同期間台積電的77.92%漲幅。模型對於國巨(2327.TT)的模擬回測報酬率更高達2,888.36%，大幅超越該股票同期間364.74%的漲幅。本研究未來發展方向為：1)廣度發展。將研究、測試、及應用範圍擴大至全台灣股市個股、海外股市、或是其他金融商品市場。2)深度發展。以本研究為基礎，利

用強化學習(Reinforcement learning)實現人工智慧投資，取代經理人投資操作，並獲取更優異的報酬。